Un presupuesto aprobado para IA puede esconder otra cosa: una cuenta de limpieza de datos. Eso sostiene Leon Gordon, CEO & Founder de Onyx Data, al describir un patrón que, según dice, aparece cuando un demo intenta convertirse en producción.
Gordon afirma que la línea contable dice «AI», pero que 12 meses después el proyecto se encuentra con llaves incompatibles, registros obsoletos, linaje sin documentar y tablas de clientes en las que nadie confía. En su lectura, el dinero se registró como inteligencia, pero se gastó en remediación.
El argumento no descansa solo en una anécdota. Gordon cita un paper de Google de 2015 en NeurIPS que advirtió que solo una pequeña fracción de un sistema real de aprendizaje automático es el modelo en sí; el resto del sistema arrastra «massive ongoing maintenance costs». También menciona un estudio de CHI de 2021 sobre 53 profesionales en IA de alto riesgo, donde las «data cascades» aparecieron con una prevalencia del 92% entre los casos estudiados.
La carga operativa es visible en otra cifra: en una encuesta de Anaconda de 2020 a 2.360 profesionales de datos en más de 100 países, los encuestados reportaron gastar en promedio 45% de su tiempo cargando y limpiando datos antes de poder usarlos para modelos y visualizaciones. Para cualquier director financiero, eso no suena a una historia de software; suena a costo hundido y baja productividad.
Gordon añade que el problema no es una sola dimensión de calidad. Cita un estudio controlado de 2025 en Information Systems que evaluó seis dimensiones de calidad en 19 algoritmos de aprendizaje automático. Allí, la completitud y la exactitud de las características tuvieron efectos sustanciales, mientras que la exactitud del objetivo fue muy relevante para clasificación y regresión. La conclusión práctica es simple: corregir «calidad» en abstracto no basta.
El frente más delicado es el de la gobernanza. Un paper de ACL de 2022 halló que desduplicar datos de entrenamiento redujo el contenido memorizado unas 10 veces y alcanzó igual o mejor precisión con menos pasos; en el corpus C4 una frase apareció más de 60.000 veces. En términos de negocio, la composición del corpus cambia lo que un modelo aprende y memoriza.
También hay señales en salud y en implementaciones empresariales. Gordon cita una validación externa de 2021 en JAMA Internal Medicine sobre un modelo de sepsis ampliamente desplegado, que encontró un AUC de 0,63 frente a reclamaciones del proveedor de 0,76 a 0,83. Y recuerda que RAND, Gartner y S&P Global han señalado datos insuficientes, mala calidad y costos como frenos relevantes para los proyectos de IA.
La lectura de fondo es incómoda para cualquier organización que vende narrativa de innovación sin ordenar su base de datos. Si los datos no están listos, el presupuesto de IA termina financiando burocracia interna, reprocesos y retrasos. El mercado ya votó: la promesa no paga la falta de disciplina operativa.
Capital busca reglas claras. La empresa que quiera capturar retorno de la IA primero tiene que invertir en integridad de datos, linaje, frescura y control del corpus. De lo contrario, la capitalización del proyecto se erosiona antes de que el modelo empiece a generar productividad real.